《Steam 游戏平台:开发与商业化》13.3 多产品组合与系列化

单款买断制游戏的成功概率并不高,工作室要在一个预算池里决定押几个产品。本节用组合模型计算多项目的期望收入、方差与标准差,比较「全押一款」与「组合分散」,并量化系列化带来的资源复用对总成本的削减,把组合与系列化决策变成可复算的算术。

13.3 多产品组合与系列化

13.1 和 13.2 处理的是「一款游戏」的财务:预算、回本、现金流。工作室的视角再往上一级,是一个预算池里押几款游戏——这就是组合决策。单款买断制游戏的成功概率不高(新 IP 首发表现高度不确定),把预算全部押在一款上,期望收入可能高,但方差也大;分散到多款,单款投入变薄,但期望收入与方差会一起变化。

系列化是组合里的特殊资产:续作不是从零开始,它能从既有作品带过来一部分存量受众(14.3 详细展开),还能复用引擎、美术、工具链——资源复用直接降低后续作品的成本。13.3 先把「组合分散」和「资源复用」两个机制量化,给工作室一个看预算池的框架。

本章与站内既有内容的分工

  • game/publish/steam/ 操作手册不涉及「多项目资金分配」;本节写的是组合层面的投资决策模型。
  • 卷一《平台机制与商店》10.3 净收入建模覆盖单笔净收入口径;本节不重复净收入公式,把净收入放进多项目的期望与方差。
  • 与 13.1、13.2 的衔接:13.1 给单款回本线、13.2 给单款现金流,本节把它们放进组合:每个项目各有预算与回本线,组合关注期望回报与风险;14.3 再深入系列化续作的品牌迁移。
  • 与 1.3 资源与预算分配的衔接:1.3 讲「一款游戏内部怎么分开发/营销」,本节讲「一个预算池怎么分多款游戏」。

组合期望、方差与资源复用

组合模型把每个项目写成三件事:预算、成功概率、成功时收入。失败时收入为 0。

组合期望收入 = Σ 成功概率 × 成功收入
组合方差     = Σ 成功概率 × (1 − 成功概率) × 成功收入²

一个三项目组合(模型假设:概率与收入均为假设值)

项目预算成功概率成功收入期望收入
A:新 IP800 万25%3000 万750 万
B:系列化续作600 万45%2000 万900 万
C:小体量作品200 万50%500 万250 万
合计1600 万——1900 万

组合期望净回报 = 1900 万 − 1600 万 = 300 万美分。与之对照,把 1600 万全部押在「高收入但低概率」的项目上:成功概率 25%、成功收入 6000 万,期望收入 1500 万、期望净回报 −100 万,且方差远大于组合。

风险读数:全押 vs 分散

方案期望收入方差读法
全押单一项目1500 万675,000,000,000,000(美分²)期望低且方差大
三项目组合1900 万274,000,000,000,000(美分²)期望更高、方差更低

分散在这组参数下同时改善期望与风险——因为三个项目的成功概率和收入规模不同,低概率高收入(A)与中概率中收入(B、C)互相补位。组合标准差约 1655 万美分,量级仍在可解释范围。组合的价值不是「多押必赢」,而是让「一败涂地」的概率下降。

资源复用(模型假设:复用比例 20%)

系列化的第二项收益是资源复用:续作共享引擎、美术、工具链,预算按复用比例削减。

项目原预算复用 20% 后
A(首个项目,全价)800 万800 万
B(第二个起,−20%)600 万480 万
C(−20%)200 万160 万
合计1600 万1440 万(节省 160 万)

决策表

决策读数
押几款在「期望收入最大化」与「方差可控」之间权衡;本例三款优于全押
系列化 vs 新 IP续作概率更高、可复用资源,但天花板取决于存量受众(14.3)
资源复用的边际复用比例是工作室自己的资产表,不是官方数字;按实际共享模块估算
组合的现金约束每款都要过 13.2 的现金流时间线,组合的总垫资峰值是上限

模型参数与数据口径

  • 可实证(官方):Steam 分成阶梯 70/30·75/25·80/20。
  • 官方登录后可见:各作品在后台的销量、退款与净收入,用于校准每个项目的成功概率,以官方当前为准。
  • 模型假设(非官方数值):成功概率 25%/45%/50%、成功收入、预算规模与复用比例 20% 均为示例;组合的期望与方差是决策模型的独立最小验证,不代表真实市场数字。金额用整数美分,口径同前两节。

可运行产物:C++ 最小验证

下面的仿真把组合与系列化固化成可执行的计算:组合期望收入、方差与标准差、全押对照、资源复用成本与节省。它与 src/steam-launch-13-3-portfolio-serialization.cpp 逐字节一致:

// file: src/steam-launch-13-3-portfolio-serialization.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/steam-launch-13-3-portfolio-serialization.cpp -o bin/steam-launch-13-3-portfolio-serialization && ./bin/steam-launch-13-3-portfolio-serialization
//
// mock:复现多产品组合与系列化模型——多个项目各有预算、成功概率与
// 成功收入,计算组合期望、方差与标准差,比较「全押一个」与「组合分散」,
// 并计算资源复用对总成本的削减。
// 概率与复用比例属模型假设,非官方数值。
#include "verify.h"

#include <cstdint>
#include <vector>

namespace steam_repro {

// 多产品组合模型:期望收入、方差/标准差、资源复用成本。
class MockPortfolioModel {
 public:
  struct Project {
    int64_t budgetCents;
    int64_t revenueCents;  // 成功时收入
    int successPercent;    // 成功概率(0–100)
  };

  void setProjects(const std::vector<Project>& ps) { projects_ = ps; }

  // 组合期望收入:Σ p×R
  int64_t expectedCents() const {
    int64_t sum = 0;
    for (const auto& p : projects_) sum += p.revenueCents * p.successPercent / 100;
    return sum;
  }

  // 组合方差(美分²):Σ p(1−p)R²
  int64_t varianceCents2() const {
    int64_t sum = 0;
    for (const auto& p : projects_) {
      int64_t r2 = p.revenueCents * p.revenueCents;
      sum += r2 * p.successPercent / 100 * (100 - p.successPercent) / 100;
    }
    return sum;
  }

  // 标准差:整数平方根
  int64_t stddevCents() const { return isqrt(varianceCents2()); }

  // 总预算
  int64_t totalBudgetCents() const {
    int64_t sum = 0;
    for (const auto& p : projects_) sum += p.budgetCents;
    return sum;
  }

  // 期望净回报:期望收入 − 总预算
  int64_t expectedNetCents() const { return expectedCents() - totalBudgetCents(); }

  // 资源复用后的调整总成本:第二个起的项目按 reusePercent 削减
  int64_t reusedTotalCostCents(int reusePercent) const {
    int64_t sum = 0;
    for (size_t i = 0; i < projects_.size(); ++i) {
      int64_t cost = projects_[i].budgetCents;
      if (i >= 1) cost = cost * (100 - reusePercent) / 100;
      sum += cost;
    }
    return sum;
  }

  // 资源复用节省
  int64_t reuseSavingsCents(int reusePercent) const {
    return totalBudgetCents() - reusedTotalCostCents(reusePercent);
  }

  // 整数平方根(牛顿迭代)
  static int64_t isqrt(int64_t n) {
    if (n <= 0) return 0;
    int64_t x = n;
    int64_t y = (x + 1) / 2;
    while (y < x) {
      x = y;
      y = (x + n / x) / 2;
    }
    return x;
  }

 private:
  std::vector<Project> projects_;
};

}  // namespace steam_repro

int main() {
  using namespace steam_repro;
  MockPortfolioModel port;
  // 组合三项目(概率与收入属模型假设)
  port.setProjects({
      {8000000, 30000000, 25},  // A:新 IP,成功概率 25%
      {6000000, 20000000, 45},  // B:系列化续作,45%
      {2000000, 5000000, 50},   // C:小体量作品,50%
  });

  // 1. 组合期望收入 = 750万 + 900万 + 250万 = 19,000,000 美分
  CHECK(port.expectedCents() == 19000000);

  // 2. 组合方差 = 168.75e12 + 99e12 + 6.25e12 = 274,000,000,000,000
  CHECK(port.varianceCents2() == 274000000000000LL);

  // 3. 总预算 = 800万 + 600万 + 200万 = 16,000,000 美分
  CHECK(port.totalBudgetCents() == 16000000);

  // 4. 期望净回报 = 1900万 − 1600万 = 3,000,000 美分
  CHECK(port.expectedNetCents() == 3000000);

  // 5. 全押单一项目对照:p=25%、收入 6000 万
  MockPortfolioModel allin;
  allin.setProjects({{16000000, 60000000, 25}});
  CHECK(allin.expectedCents() == 15000000);

  // 6. 组合期望高于全押:1900 万 > 1500 万
  CHECK(port.expectedCents() > allin.expectedCents());

  // 7. 组合方差低于全押:274e12 < 675e12(分散降低风险)
  CHECK(port.varianceCents2() < allin.varianceCents2());

  // 8. 全押标准差:p=50%、收入 4000 万的方差 4e14 是平方数
  MockPortfolioModel half;
  half.setProjects({{8000000, 40000000, 50}});
  CHECK(half.stddevCents() == 20000000);

  // 9. 资源复用 20%:B、C 成本各减 20% → 总成本 14,400,000
  CHECK(port.reusedTotalCostCents(20) == 14400000);

  // 10. 资源复用节省 = 1600万 − 1440万 = 1,600,000 美分
  CHECK(port.reuseSavingsCents(20) == 1600000);

  // 11. 组合标准差为正且在可解释范围(>0 且 < 总预算×10)
  CHECK(port.stddevCents() > 0);
  CHECK(port.stddevCents() < port.totalBudgetCents() * 10);

  return lab::report("13-3 多产品组合与系列化");
}

本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 12/12 通过。

小结

  • 组合模型 = 每个项目的预算、成功概率、成功收入 → 期望收入、方差、标准差。
  • 分散在合适参数下同时改善期望与风险:低概率高收入项目与中概率中收入项目互相补位。
  • 系列化的资源复用直接降低后续作品成本:复用比例是工作室自己的资产表。
  • 组合的现金约束仍要回到 13.2:总垫资峰值是所有项目的现金流上线。
  • 14 章进入长线:14.1 折扣循环、14.2 内容经济、14.3 续作与品牌迁移。

阅读导航:上一节:13.2 现金流时间线 · 下一节:14.1 长期折扣循环与价格政策 。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图